CHAPITRE VI Application du Machine Learning pour l’étude la performance hydraulique
104
VI.3.1.1 Choix de paramètres
La qualité du modèle dépend de celle de la base de données. Pour bien avoir un modèle fiable, on
a décidé d’utiliser les structures les plus similaires à celle de la Marina Bay voir Figure VI-9.
Comme la base de données initiale comporte plus de 10.000 essais présentant plusieurs structures,
on a conservé seulement celles dont la structure est relativement simple. En effet les essais de
facteur de complexité (CF = 1) ont été retenu. Les données ont été également filtré selon leur
facteur de fiabilité. Dans notre cas, on a choisi les essais ayant une fiabilité de l’ordre 1 et 2. Afin
d’éviter la redondance, les paramètres hydrauliques des eaux profondes ne sont pas pris en compte.
Il existe en effet une très forte liaison entre eux et ceux au pied de l’ouvrage.
Figure VI-9 Coupe type de la digue principale (BTP Infrastracturas, 2015).
Le nombre de paramètres est réduit de 31 à 12 paramètres : htoe, Hm0toe, Tp toe, Tm toe, Tm-10toe, ht,
Bt, cotAlpha, Rc, Ac, Gc, q. Finalement la base de données s’est réduite à 4 634 essais.
VI.3.2. Description du modèle développé
Plusieurs méthodes (La régression polynomiale, Support vector régression, Neuronal Network
(ML Regressor) et XGBOOST) ont été testé sur la base de données choisie. Néanmoins les
résultats n’étaient pas satisfaisants. Tous ces modèles ont donné des précisions qui ne dépassent
pas 63%. Afin d’obtenir un bon score on a essayé de combiner entre plusieurs techniques et
d’éliminer les features les moins influentes. Cela nous a ramené à exclure le paramètre Gammaf
de la base de données et on a réussi ainsi à obtenir une précision d’environ 86%. Dans la suite on
présente les détails de développement du modèle.
VI.3.3. Apprentissage
La Figure VI-10 présente un aperçu sur la base de données utilisé dans le développement du
modèle. En premier lieu, cette base a été divisé en deux parties (80% pour l’apprentissage et 20%
pour le test). Ensuite les features ont été soumis à une transformation polynômiale de degré 4
engendrant ainsi un nouveau vecteur de caractéristiques.
104
VI.3.1.1 Choix de paramètres
La qualité du modèle dépend de celle de la base de données. Pour bien avoir un modèle fiable, on
a décidé d’utiliser les structures les plus similaires à celle de la Marina Bay voir Figure VI-9.
Comme la base de données initiale comporte plus de 10.000 essais présentant plusieurs structures,
on a conservé seulement celles dont la structure est relativement simple. En effet les essais de
facteur de complexité (CF = 1) ont été retenu. Les données ont été également filtré selon leur
facteur de fiabilité. Dans notre cas, on a choisi les essais ayant une fiabilité de l’ordre 1 et 2. Afin
d’éviter la redondance, les paramètres hydrauliques des eaux profondes ne sont pas pris en compte.
Il existe en effet une très forte liaison entre eux et ceux au pied de l’ouvrage.
Figure VI-9 Coupe type de la digue principale (BTP Infrastracturas, 2015).
Le nombre de paramètres est réduit de 31 à 12 paramètres : htoe, Hm0toe, Tp toe, Tm toe, Tm-10toe, ht,
Bt, cotAlpha, Rc, Ac, Gc, q. Finalement la base de données s’est réduite à 4 634 essais.
VI.3.2. Description du modèle développé
Plusieurs méthodes (La régression polynomiale, Support vector régression, Neuronal Network
(ML Regressor) et XGBOOST) ont été testé sur la base de données choisie. Néanmoins les
résultats n’étaient pas satisfaisants. Tous ces modèles ont donné des précisions qui ne dépassent
pas 63%. Afin d’obtenir un bon score on a essayé de combiner entre plusieurs techniques et
d’éliminer les features les moins influentes. Cela nous a ramené à exclure le paramètre Gammaf
de la base de données et on a réussi ainsi à obtenir une précision d’environ 86%. Dans la suite on
présente les détails de développement du modèle.
VI.3.3. Apprentissage
La Figure VI-10 présente un aperçu sur la base de données utilisé dans le développement du
modèle. En premier lieu, cette base a été divisé en deux parties (80% pour l’apprentissage et 20%
pour le test). Ensuite les features ont été soumis à une transformation polynômiale de degré 4
engendrant ainsi un nouveau vecteur de caractéristiques.